High spatial and temporal resolution optical remote sensing data to estimate maize biomass and yield

=>

Climate variability has a strong impact on maize yield. For example, the strong drought that occurred in 2016 led to lower yields across France, even for irrigated fields. Yield estimates have a significant strategic and economic importance. High spatial and temporal resolution remote sensing data are a valuable tool for providing yield estimates at a large scale.

 

In a recent study (Battude et al. 2016) based on optical image time series (combination of Formosat-2, Landsat-8, SPOT4-Take5 and Deimos-1, about two images per month), CESBIO researchers have developed a new method for the estimation of maize yield. A new formulation of SAFY agro-meteorological model taking into account of the observed seasonal variation of the specific leaf area (SLA) and the effective light use efficiency (ELUE) was proposed.

 

Results show that these modifications improve biomass estimates at local scale.

 

Comparison of measured and simulated Dry Aboveground Mass (DAM) with the original version of SAFY (left) and the new model version (right)


Yield estimates are compared to annual statistical values (Agreste) on two departments in the southwest of France : the Gers and the Haute-Garonne. Results show that the model reproduces well yields (R = 0.96; RRMSE = 4.6%), even if it sometimes overestimates the values for rainfed fields.

 

Comparison of simulated yield and Agreste values [t.ha-1] for the Gers and Haute-Garonne departments in 2013 (left) and 2014 (right), with the distinction between irrigated and rainfed fields. Standard errors associated to simulated values are reported.


GAI thus seems to be a good indicator for estimating the irrigated maize yield at regional scale. For rainfed fields, coupling SAFY with a water balance module simulating the soil water content  may improve yield estimates. Sentinel-2 mission offers new perspectives and its data should improve the model estimates.

 

Reference : Battude M., Al Bitar A., Morin D., Cros J., Huc M., Marais Sicre C., Le Dantec V., Demarez V. (2016) Estimating maize biomass and yield over large area using high spatial and temporal resolution Sentinel-2 like remote sensing data. Remote Sensing of Environment 184, 668-681 DOI: 10.1016/j.rse.2016.07.030

La télédétection optique à haute résolution spatiale et temporelle au service de l’estimation de la biomasse et du rendement du maïs

=>

La variabilité climatique a un fort impact sur le rendement du maïs. Par exemple, les fortes sécheresses de 2016 ont conduit, même pour les parcelles irriguées, à une baisse des rendements à travers la France. Les estimations des rendements présentent un enjeu stratégique et économique important. La télédétection à haute résolution spatiale et temporelle est un outil précieux pour l’estimation à large échelle de ces rendements.

 

Dans une étude récente (Battude et al. 2016) basée sur des séries temporelles d'images optiques (combinaison d'images Formosat-2, Landsat-8, SPOT4-Take5 et Deimos-1, environ deux images par mois), les chercheurs du CESBIO ont mis en place une  nouvelle méthode d’estimation du rendement de mais. Une nouvelle formulation du modèle agro-météorologique SAFY prenant en compte la variation saisonnière observée de la surface spécifique foliaire (SLA) et de l’efficience de conversion de la lumière (ELUE) a été proposée.

 

Les résultats montrent que ces modifications améliorent les estimations de la biomasse à l’échelle locale.

 

Comparaison de la biomasse (DAM pour Dry Aboveground Mass) simulée et  mesurée avec à gauche la version d’origine du modèle SAFY  et à droite la nouvelle version proposée.

 

Les estimations de rendement sont comparées à des valeurs statistiques annuelles (Agreste) sur deux départements du Sud-ouest de la France : le Gers et la Haute-Garonne. Les résultats montrent que le modèle reproduit bien les rendements (R = 0.96; RRMSE = 4.6%), même s’il surestime parfois les valeurs pour les parcelles non irriguées.

 

Comparaison du rendement simulé et des données Agreste [t.ha-1] pour les départements du Gers et de la Haute-Garonne en 2013 (à gauche) et en 2014 (à droite), avec la distinction entre les parcelles irriguées et non irriguées. L’erreur standard associée aux valeurs simulées est reportée.

 

Le GAI s’avère donc être un bon indicateur pour l’estimation du rendement du maïs irrigué à l’échelle régionale. Pour les parcelles non irriguées, le couplage de SAFY avec un module de bilan hydrique simulant le contenu en eau du sol pourrait permettre d’améliorer les estimations de rendement. La mission Sentinel-2 offre de nouvelles perspectives et les données devraient permettre d'améliorer les estimations du modèle.

 

Référence : Battude M., Al Bitar A., Morin D., Cros J., Huc M., Marais Sicre C., Le Dantec V., Demarez V. (2016) Estimating maize biomass and yield over large area using high spatial and temporal resolution Sentinel-2 like remote sensing data. Remote Sensing of Environment184, 668-681 DOI: 10.1016/j.rse.2016.07.030

Irrigated crop maps for a better water management in agriculture

=>

In a previous post, i have briefly presented:

  • issues related to the inherent water use in irrigated maize growing in France;
  • research projects related to this thematic where Cesbio is involved.

To classify irrigated farmland, within the growing period and at the scale of a territory, we focused on the use of optical remote sensing images. In the lines below, I will introduce the work to generate maps of irrigated crops usin Landsat-8 time series level 2A made available by Theia Land data center..

Continue reading

Des cartes de cultures irriguées pour une meilleure gestion de l'eau en agriculture

=>

Dans un billet précédent, je vous avais brièvement présenté:

  • les problématiques liées à la consommation en eau inhérente à la culture du maïs irrigué en France;
  • les projets de recherche relatifs à cette thématique dans lesquels le Cesbio est impliqué.

Pour classer les surfaces agricoles irriguées, en cours de campagne et à l'échelle d'un territoire, nous nous sommes, dans un premier temps, focalisés sur l'utilisation d'images satellitaires optiques.
Dans les lignes qui vont suivre, je vais vous présenter le travail réalisé pour générer des cartes de cultures irriguées avec les séries temporelles Landsat-8 de niveau 2A mises à disposition par le pôle Theia.

Continue reading

Suivi de l'enneigement des stations de ski avec Sentinel-2

=>

 

Dans le cadre du pôle thématique Theia nous préparons la distribution de cartes d'enneigement établies à partir des images Sentinel-2. Si la méthode utilisée pour la détection du manteau neigeux se base sur des concepts bien éprouvés, la résolution spatio-temporelle des cartes d'enneigement sera en revanche tout à fait inédite. Jusqu'ici les cartes d'enneigement était généralement produites à partir des observations MODIS à 500 m de résolution ce qui permet de faire des études hydro-climatiques à des échelles plutôt régionales. Les données Landsat étaient finalement assez peu exploitées par les nivologues en raison de leur faible répétitivité. Le déploiement de la mission Sentinel-2 (couverture globale à 20 m de résolution tous les 5 jours) ouvre de nouvelles perspectives pour le suivi de l'enneigement.
 
Continue reading

The iota2 Land cover processor has processed some Sentinel-2 data

=> 

You already heard about iota2 processor, and you must know that it can process LANDSAT 8 time series et deliver land cover maps for whole countries. These las days, Arthur Vincent completed the code that allows processing Sentinel-2 time series. Even if atmospherically corrected Sentinel-2 data are not yet available above the whole France, we used  the demonstration products delivered by Theia to test our processor.

 

Everything seems to work fine, and the 10 m resolution of Sentinel-2 seems to allow seeing much more details. The joined images show two extracts near Avignon, in Provence, which show the differences between Landsat 8 and Sentinel-2. Please just look only at the detail level, and not at the differences in terms of classes. Both maps were produces using different time periods, and a period limited to winter and beginning of spring for Sentinel-2, and the learning database is also different. Please don,'t draw conclusions too fast about the thematic quality of the maps.

 

First extract shows a natural vegetation zone, with some farmland (top LANDSAT8, bottom Sentinel-2)

coudoux.png

Continue reading

La chaîne d'occupation des sols iota2 sait maintenant traiter Sentinel-2

=>

Vous connaissez déjà la chaîne iota2 et vous savez qu'elle sait traiter les séries temporelles Landsat8 et générer des cartes d'occupation des sols. Ces derniers jours, Arthur Vincent a terminé le code permettant d'utiliser les séries temporelles Sentinel-2. Même si nous n'avons pas encore des séries Sentinel-2 sur toute la France (mais elles devraient arriver bientôt), nous avons utilisé des produits de démonstration fournis par THEIA pour valider la chaîne de traitement.

 

Tout a l'air de bien marcher et la résolution de 10m. de Sentinel-2 permet d'avoir beaucoup plus de détails au niveau des cartes produites. Voici 2 extraits (près d'Avignon) qui montrent la différence entre Landsat8 (en haut) et Sentinel-2 (en bas). Attention, la comparaison n'a de sens qu'en termes de détail spatial : les cartes ne correspondent pas aux mêmes périodes d'acquisition, seuls quelques mois de données Sentinel-2 ont été utilisés, sans la période estivale, et les données de référence sont légèrement différentes. Il ne faut pas tirer donc de conclusion par rapport à la qualité thématique de ces cartes.

 

Le premier extrait montre une zone de végétation naturelle avec un peu d'agriculture (en haut LANDSAT8, en bas Sentinel-2)

coudoux.png

Continue reading

New version of fully automatic land cover map of France for 2014 from LANDSAT8

=>

Over the last months, we worked a lot on our method for Land Cover map production. Three main topics (1) were studied with Arthur Vincent and David Morin at CESBIO :

  1. porting and validating the iota2 processor on the CNES High Performance Computing facilities (HPC);
  2. enhancing the method for reference data preparation. Reference data are used both for training and validation;
  3. developing a stratification method which allows to train and apply classifiers per eco-climatic area, for instance.

Using all these new features, we produced a lot (really a lot!) of maps for the continental France. We just released the 4 following examples, produced using all the available LANDSAT8 data in 2014 :

  • regarding reference data :
    1. including 4 classes of artificial surfaces : continuous urban , dicontinuous urban, road surfaces, and commercial and industrial areas (2);
    2. only one artificial class that gathers the 4 above (3);
  • regarding the stratification method :
    1. using eco-climatic areas (4);
    2. without stratification, but using a fusion of several classifiers trained over different sets of tiles.
The pink urban spot, in the center of brown zone, is the village of Chateauneuf du Pape which is famous for its wine, and the brown color is the vineyard class. Validated !

Continue reading

Nouvelle version des produits d'occupation des sols OSO sur la France en 2014

=>

Nous avons beaucoup travaillé sur la procédure de génération des cartes d'occupation des sols ces derniers mois. Trois axes principaux1 ont été abordés par Arthur Vincent et David Morin au Cesbio :

  1. Le portage et la validation de la chaîne de traitement iota2 sur l'infrastructure de calcul à haute performance (HPC) du Cnes.
  2. L'amélioration de la procédure de préparation des données de référence utilisées pour l'apprentissage des classifieurs et la validation des cartes produites.
  3. La mise au point de la stratification qui permet de spécialiser les algorithmes de classification par zone éco-climatique, par exemple.

En utilisant toutes ces nouveautés, nous avons produit beaucoup (vraiment beaucoup!) de cartes sur la France métropolitaine. Nous venons de mettre en ligne quelques exemples sur l'année 2014 en utilisant toutes les données Landsat8 disponibles. Nous avons choisi de vous montrer les 4 cas qui correspondent aux combinaisons suivantes :

  • sur la donnée de référence :
    1. utilisation de 4 classes de surfaces artificielles (abusivement appelées "bâti") : urbain continu, urbain discontinu, surfaces "route" et zones industrielles et commerciales (2);
    2. regroupement a posteriori de ces 4 classes (3);
  • sur le mode de stratification :
    1. avec stratification par zone éco-climatique (4);
    2. sans stratification, mais avec une fusion de plusieurs (10) classifieurs appris sur des tuiles images différentes.

Le village en rose, au centre de la zone marron, c'est le village de Chateauneuf du Pape, et la zone marron autour du village, ce sont des vignes ! Pas besoin de vérité terrain pour le vérifier, mais on veut bien aller vérifier quand même.

Arthur nous a concocté une interface assez pratique pour la visualisation et la comparaison des différentes cartes.  Vous pouvez y accéder ici. L'icône en haut à droite vous permet de sélectionner les cartes qui seront affichées. A gauche, sous les boutons qui gèrent le niveau de zoom, vous avez la possibilité de sélectionner 2 des cartes pour lesquelles les statistiques de qualité (FScore par classe5) seront affichées sous la zone de visualisation. Cela vous permet d'apprécier les différences entre les approches.

 

Aux 4 nouvelles cartes, nous avons ajouté la version que nous avions publié en début d'année, dont la qualité est inférieure. Si vous regardez la précision globale de cette carte (Overall Accuracy) vous verrez qu'elle est en fait supérieure à celle des nouvelles cartes. Ceci est dû au fait que dans cette ancienne version, nous utilisions beaucoup de pixels d'eau pour la validation, et l'eau est très facile à classer. Le problème principal de cette ancienne version est le sur-classement des zones urbaines au dépens des surfaces minérales naturelles et des vergers. Ceci a été amélioré grâce au travail sur la préparation de la donnée de référence.

 

Pour comparer des cartes, il est utile de regarder les FScore par classe. Vous verrez ainsi que la stratification éco-climatique apporte des améliorations importantes sur les valeurs moyennes et sur les intervalles de confiance.

 

Si vous voulez récupérer les fichiers GeoTiff complets (attention, c'est volumineux!), vous pouvez utiliser les liens suivants :

N'hésitez pas à nous faire des retours. Nous continuons à travailler sur les améliorations des méthodes.

Notes:

1Beaucoup d'autres tâches ont été réalisées, dont la préparation de l'ingestion des données Sentinel-2, par exemple.

2Ces 4 classes correspondent à la nomenclature de Corine Land Cover, dont les polygones du millésime 2012 ont été affinés en utilisant une procédure développée par David et Marcela et décrite dans cette présentation (à partir de la planche 33).

3L'apprentissage et la classification sont toujours faits avec les 4 classes séparées, mais elles sont regroupées à la fin, ce qui permet d'augmenter la précision de la carte en échange d'une perte de finesse thématique. Mais les pixels de 30 m. de Landsat ne nous permettent d'être très précis pour ces classes.

4Nous avons utilisé la carte publiée par Joly et al.

5Nous utilisons cette métrique, car elle combine les erreurs d'omission et de commission.

 

First Sentinel-2 monthly cloud free syntheses from the Sen2Agri system

=> 

 

The Sen2Agri System, funded by ESA, is now on its pre-operational phase. It has just completed its first mass production and in this context, we just obtained our first Level 3A syntheses obtained with Sentinel-2A. Level 3A products are monthly syntheses of non cloudy pixels.

Syntheses

The monthly syntheses are produced by the Sen2Agri system. They use as input 2A level products processed by the MACCS processor, which provides surface reflectance along with cloud masks and shadow masks and snow and water masks. As their name suggests, the syntheses are produced once a month, but can be based on a bit longer time periods to increase chances to get cloud free observations.

Continue reading